号称行业首个具身全模态端到端交互大模型，智元发布 WITA-Omni

根据官方介绍，该模型也是行业首个具身全模态端到端交互大模型 。WITA-Omni 基于机器人本体感知数据深度训练，除了音视频输入输出，还新增支持触觉、本体状态等输入 ，以及机器人动作、表情等输出 ，让机器人第一次拥有为物理世界而生的“交互大脑”。

基于流式全双工架构，WITA-Omni 可做到边听、边想、边应、边动、边做表情 ，减少传统串行处理中的等待。交互响应最快约 400 毫秒、平均约 600 毫秒，较业内平均水平快近 3 倍。

同时，全模态拒识让机器人交互不再需要唤醒词，全程自然对话 。系统结合对话朝向、视频、音频、声纹、唇动、姿态、语义和上下文，决策当前发言是否需要回应。面对多人交谈或环境广播等干扰时，极大降低误触发，让机器人更懂“看场合”。

WITA-Omni 支持上百种语言和方言的免切换自由交流，并结合全双工架构，实现了流式同声传译（语言传译 & 方言传译），以及双向互译。

WITA-Omni 情感表现力更加拟人。倾听时，机器人能够通过细腻的表情和自然的头部动作给予回应；表达时，结合参数化的面部表情、富有感染力的声音与协调的肢体动作， 生动呈现开心、惊讶、激动、悲伤、满意、痛哭、认真与自信等几十种情绪 。每种情绪还能展现不同强度：同样是开心，既可以浅浅一笑，也可以开怀大笑，让对话更真实、更有温度。

WITA-Omni 不仅能说、能看、能动，还能画。例如，想讲一个复杂产品时，或想给孩子讲一个科普小知识时，WITA-Omni 会智能决策， 将一言难尽的内容在面部屏幕实时可视化出来 ，让用户一目了然。

此外，WITA-Omni 能够持续感知周围环境、用户状态及其变化，自主思考、决策并采取行动， 在恰当时机主动发起互动 。官方宣称，机器人也能有自己的“小心思”：见到贵宾，会主动欢迎、伸手握手；收到点赞，会开心回应；看到用户挥手告别，也会立刻挥手相送。

据此前报道，今年 7 月，WITA-Omni Preview 模型以 85.21 分综合成绩登顶登顶 DailyOmni 全模态理解榜单，超过千问、Gemini、豆包、英伟达等国内外领先模型，并在八项细分指标中的六项取得第一。

责任编辑：

文章来源：http://www.xinwulian.net/industry/2026/1111/4224.shtml